[发明专利]一种基于机器学习与相位分段差分实现振动精确定位的方法和系统

权利要求书

1.一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，包括以下步骤：

S1：获取后向瑞利散射光的振幅信号，将振幅信号转化为相位信号；

S2：减去相位信号的初相位，将相位信号差分成若干份差分信号；

S3：判断差分信号与阈值关系，若差分信号超出阈值，通过格拉姆角场输出差分信号的GAF图；

S4：将GAF图作为AlexNet神经网络的输入，输出振动点的位置。

2.根据权利要求1所述的一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，通过数据采集器进行循环采集获得后向瑞利散射光的振幅信号，通过基于交叉微分相乘的相位产生载波算法把振幅信号转化为相位信号。

3.根据权利要求1所述的一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，将振幅信号转化为相位信号，包括以下步骤：

S11：将信号分成两路，引入载波信号，将被测信号加载到调制信号的边带上；

S12：分别通过乘法器把相位差固定的两个载波信号与调制信号进行混频；

S13：用低通滤波器对信号进行滤波得到一组正交变量，再通过微分交叉相乘解调出相位。

4.根据权利要求1所述的一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，采用差分处理获得相位的差分信号，包括以下步骤：

S21：在循环采集过程中，将采集到的相位信号与相位信号对应的初相位进行相减；

S22：将减去初相位的信号进行差分处理；

S23：将差分后的相位信号进行分段截取，把光纤沿线分成若干个差分信号。

5.根据权利要求1所述的一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，当差分信号超出阈值时，通过格拉姆角场将一维信号转换为GAF图，将时间序列数据转换为图像，包括以下步骤：

S31：对差分信号进行缩放；

S32：将缩放后的时间序列数据转换到极坐标，数值转换为余弦角，时间戳转换为半径；

S33：计算GASF值；

S34：构建Gramian矩阵，得到类Gramian矩阵。

6.根据权利要求1所述的一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，在Alexnet目标分类时，卷积核大小设置为奇数，较优的卷积核为11×11。

7.根据权利要求1所述的一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，将GAF图作为AlexNet神经网络的输入进行识别，排除环境噪声的干扰后，通过最大值采样点序号与系统空间分辨率的乘积，确定振动点的位置。

8.一种基于机器学习与相位分段差分实现振动精确定位的系统，适用于权利要求1-7任一项所述的一种基于机器学习与相位分段差分实现振动精确定位的方法，其特征在于，包括：激光光源，激光光源连接第一耦合器，第一耦合器连接声光调制器和第二耦合器，声光调制器连接光纤放大器，光纤放大器连接光纤环形器，光纤环形器连接第二耦合器和传感光纤，第二耦合器连接光电探测器，光电探测器连接数据采集器，数据采集器连接计算机，计算机连接信号处理模块。

9.根据权利要求8所述的一种基于机器学习与相位分段差分实现振动精确定位的系统，其特征在于，第一耦合器将激光光源发出的光分为本振光和探测光，本振光和探测光比列为1:9；第二耦合器将本振光与经过光纤环形器得到的背向瑞利散射光进行耦合并产生拍频信号，再将该信号传送给光电探测器，本振光和背向瑞利散射光比列为1:1。

10.根据权利要求8所述的一种基于机器学习与相位分段差分实现振动精确定位的系统，其特征在于，激光光源为窄线宽激光器，中心波长为1550nm。